Ultralytics YOLO11 ve GPT-4o Mini ile bir ANPR sistemi oluştur
Gerçek zamanlı doğrulukla plaka algılama için Ultralytics YOLO11 ve metin tanıma için GPT-4o Mini kullanarak nasıl bir ANPR sistemi oluşturacağını öğren.
Kalabalık bir otoparkta park yeri bulmak, uzun gişe kuyruklarında beklemek veya güvenlik kontrol noktalarında takılıp kalmak can sıkıcıdır. Manuel araç kontrolleri genellikle çok uzun sürer ve gecikmelere neden olur. Otomatik bir sistem olmadan araçları verimli bir şekilde takip etmek zor olabilir.
Bilgisayarlı görü, görüntülerden ve video akışlarından gerçek zamanlı plaka tanımayı mümkün kılarak bu durumu değiştirdi. Örneğin Ultralytics YOLO11, nesne algılama, sınıflandırma ve izleme gibi gelişmiş yapay zekâ görü görevlerini gerçekleştirebilen gelişmiş bir bilgisayarlı görü modelidir. YOLO11'in nesne algılama yeteneklerini kullanarak görüntülerdeki araç plakalarını doğru bir şekilde algılayabilirsin.
Ultralytics, görü yapay zekâsıyla desteklenen çözümler oluşturma sürecini basitleştiren kapsamlı Google Colab not defterleri sunar. Bu not defterleri temel bağımlılıklar, modeller ve adım adım kılavuzlarla önceden yapılandırılmıştır; bu da uygulama oluşturmayı kolaylaştırır. Özellikle, ANPR (Otomatik Plaka Tanıma) için özel bir Colab not defteri bulunur.
Bu makalede, ANPR için Ultralytics Colab not defterini kullanarak plaka algılama için Ultralytics YOLO11 ve metin tanıma için GPT-4o Mini kullanarak bir ANPR çözümünün nasıl oluşturulacağını inceleyeceğiz.
ANPR'yi anlama#
Araçları manuel olarak takip etmek, özellikle hızlı hareket ettiklerinde, zaman alır ve hatalara açıktır. Her plakayı tek tek kontrol etmek süreci yavaşlatır ve hata riskini artırır. Otomatik plaka tanıma, plakaları anında algılayıp okumak için bilgisayarlı görü kullanarak bu sorunu çözer; böylece trafik izleme ve güvenlik daha verimli hale gelir.
ANPR sistemleri, geçen araçların görüntülerini veya videolarını yakalayabilir ve plakaları belirlemek için gerçek zamanlı nesne algılama kullanabilir. Algılandıktan sonra, insan müdahalesine gerek kalmadan plaka numaralarını otomatik olarak çıkarmak için metin tanıma kullanılır. Bu süreç, araçlar hızlı hareket ederken veya plakalar kısmen kapalıyken bile doğru sonuçlar sağlar.
Şekil 1. Bir plakayı algılamak için Ultralytics YOLO11 kullanımına örnek.
Günümüzde gişeler, park sistemleri ve kolluk kuvvetleri, araçları verimli bir şekilde takip etmek için giderek daha fazla ANPR'ye güveniyor.
ANPR teknolojisiyle ilgili zorluklar#
ANPR araçları hızlı bir şekilde tanımlasa da doğruluğunu etkileyebilecek bazı zorluklar hâlâ vardır. ANPR sisteminin ne kadar iyi çalıştığını etkileyebilecek birkaç yaygın sorun şunlardır:
- Düşük ışık ve kötü hava koşulları: Plakaları gece ve kötü hava koşullarında okumak zorlaşır. Sis, yağmur ve far parlaması metni bulanıklaştırarak okunamaz hale getirebilir.
- Bulanık veya kapalı plakalar: Hızla hareket eden bir araç, özellikle kameranın deklanşör hızı çok düşükse, bulanık bir görüntü oluşturabilir. Kir, çizikler veya plakanın bazı bölümlerinin kapatılması da tanıma sorunlarına yol açabilir. Doğru ayarlara sahip yüksek kaliteli kameralar kullanmak daha net sonuçlar elde etmeye yardımcı olur.
- Standart olmayan plaka tasarımları: Tüm plakalar aynı görünmez. Bazılarında sistemi şaşırtan süslü yazı tipleri, ek metinler veya logolar bulunur.
- Gizlilik riskleri ve veri güvenliği: Araç verilerini güvenli bir şekilde depolamak önemlidir. Doğru güvenlik önlemleri yetkisiz erişimi önleyebilir ve bilgilerin korunmasını sağlayabilir. Uygun güvenlik önlemleriyle ANPR sistemleri hem güvenli hem de güvenilir olabilir.
Ultralytics YOLO11, ANPR sistemlerini nasıl geliştirir?#
Ultralytics YOLO11, ANPR sistemlerini daha hızlı ve daha doğru hale getirebilir. Hassasiyeti korurken görüntüleri hızlı bir şekilde işler ve yüksek işlem gücü gerektirmez; bu nedenle küçük güvenlik kameralarından büyük trafik sistemlerine kadar her ortamda iyi çalışır.
Özel eğitim ile Ultralytics YOLO11 farklı plaka stillerine, dillere ve ortamlara uyarlanabilir. Bu koşullara ait görüntüleri içeren özel veri kümeleri üzerinde özel olarak eğitildiğinde düşük ışık, hareket bulanıklığı ve zor açılar gibi zorlu koşullarda da iyi performans gösterir.
Ultralytics YOLO11, araçları anında tanımlayarak bekleme sürelerini azaltmaya, hataları önlemeye ve güvenliği artırmaya yardımcı olur. Bu, otoparklarda, gişelerde ve gözetim sistemlerinde trafik akışını daha sorunsuz, operasyonları ise daha verimli hale getirir.
Ultralytics YOLO11 ve GPT-4o Mini ile bir ANPR sistemi oluşturma#
Şimdi Ultralytics YOLO11 ve GPT-4o Mini kullanarak bir ANPR sisteminin nasıl oluşturulacağını adım adım inceleyelim.
Bu çözüm için Ultralytics Google Colab not defterinde gösterilen kodu inceleyeceğiz. Google Colab not defterinin kullanımı kolaydır ve herkes karmaşık bir kurulum gerektirmeden bir ANPR sistemi oluşturabilir.
adım: Ortamı kurma#
Başlamak için ANPR sistemimizi çalıştırmak için gereken temel yazılım paketlerini ve kütüphaneleri, yani bağımlılıklarımızı yüklememiz gerekir. Bu bağımlılıklar nesne algılama, görüntü işleme ve metin tanıma gibi görevlerde yardımcı olarak sistemin verimli çalışmasını sağlar.
Aşağıda gösterildiği gibi Ultralytics Python paketini yükleyeceğiz. Bu paket, önceden eğitilmiş modeller, eğitim yardımcı programları ve çıkarım araçları sunarak YOLO11 ile plakaları algılamayı ve tanımayı kolaylaştırır.
Şekil 2. Ultralytics Python paketini yükleme.
Metin tanıma için GPT-4o Mini'yi de kurmamız gerekecek. GPT-4o Mini, algılanan plakalardan metin çıkarmaktan sorumlu olduğundan modele erişmek için bir API anahtarına ihtiyacımız var. Bu anahtar, GPT-4o Mini API'sine kaydolunarak alınabilir. Anahtara sahip olduğunda, sistemin modele bağlanıp plaka numaralarını işleyebilmesi için anahtarı Colab not defterine ekleyebilirsin.
Kurulumu tamamlayıp yükleme kodunu çalıştırdıktan sonra Ultralytics YOLO11 plakaları algılamaya, GPT-4o Mini ise bunlardaki metni tanıyıp çıkarmaya hazır olacaktır.
Adım 2: Özel olarak eğitilmiş modeli indirme#
Artık her şey kurulduğuna göre sıradaki adım, plakaları algılamak üzere özel olarak eğitilmiş Ultralytics YOLO11 modelini indirmektir. Bu model plaka algılamak üzere zaten eğitildiğinden sıfırdan eğitim yapmana gerek yoktur. Modeli indirmen yeterlidir; kullanıma hazır olur. Bu, zamandan tasarruf sağlar ve süreci çok daha kolay hale getirir.
Ayrıca sistemi test etmek için örnek bir video dosyası indireceğiz. İstersen bu çözümü kendi video dosyaların üzerinde de çalıştırabilirsin. İndirildikten sonra model ve video dosyaları not defteri ortamında saklanacaktır.
Şekil 3. Modeli ve video dosyasını indirme.
Adım 3: Videoyu yükleme ve algılamayı başlatma#
Model hazır olduğunda onu çalışırken görme zamanı gelir. Önce video dosyası işlenmek üzere yüklenir ve doğru şekilde açıldığından emin olunur. Ardından, orijinal boyutu ve kare hızını koruyarak algılanan plakaların bulunduğu işlenmiş görüntüyü kaydetmek için bir video yazıcısı ayarlanır. Son olarak model, videonun her karesindeki plakaları algılamak üzere yüklenir.
Şekil 4. Videoyu okuma ve modeli yükleme.
Model yüklendikten sonra sistem, plakaları algılamak için videonun her karesini analiz etmeye başlar. Bir plaka bulunduğunda sistem onu bir algılama kutusuyla vurgulayarak tanımlanmasını kolaylaştırır. Bu adım, gereksiz arka plan bilgilerini filtreleyerek yalnızca ilgili ayrıntıların yakalanmasını sağlar. Plakalar başarıyla algılandığında video bir sonraki aşamaya hazırdır.
Adım 4: Plakalardan metin çıkarma#
Bir plaka algılandıktan sonra sıradaki adım metin tanımadır. Sistem önce plakayı video karesinden kırpar ve net bir görünüm elde etmek için dikkat dağıtıcı unsurları kaldırır. Bu, ayrıntılara odaklanmaya yardımcı olarak düşük ışık veya hareket bulanıklığı gibi zorlu koşullarda bile doğruluğu artırır.
Plaka izole edildikten sonra GPT-4o Mini görüntüyü analiz eder, rakam ve harfleri çıkarır ve bunları okunabilir metne dönüştürür. Tanınan metin daha sonra videoya geri eklenerek algılanan her plaka gerçek zamanlı olarak etiketlenir.
Bu adımlar tamamlandığında ANPR sistemi tamamen işlevsel hale gelir ve plakaları kolayca tanımaya hazır olur.
Adım 5: İşlenmiş videoyu kaydetme#
Son adım, işlenmiş videoyu kaydetmek ve geçici dosyaları temizleyerek her şeyin sorunsuz çalışmasını sağlamaktır.
Algılanan plakaları ve tanınan metni içeren işlenmiş her kare, son çıktı videosuna yazılır. Tüm kareler işlendiğinde sistem, okumakta olduğu video dosyasını kapatarak belleği ve sistem kaynaklarını serbest bırakır. Ayrıca çıktı videosunu sonlandırıp kaydeder ve videoyu oynatmaya veya daha fazla analiz etmeye hazır hale getirir.
Şekil 5. ANPR için YOLO11 ve GPT-4o Mini kullanma.
Bir ANPR sistemini dağıtıma alma#
Bir ANPR çözümünü oluşturup test ettikten sonra sıradaki adım, onu gerçek dünya ortamında dağıtıma almaktır. Çoğu görü yapay zekâ modeli yüksek performanslı bilgi işlem gücüne ihtiyaç duyar; ancak Ultralytics YOLO11 Edge AI için optimize edilmiştir. Bulut işlemeye veya sürekli internet bağlantısına ihtiyaç duymadan küçük cihazlarda verimli bir şekilde çalışabilir; bu da onu kaynakların sınırlı olduğu konumlar için harika bir seçenek haline getirir.
Örneğin, güvenlikli bir site, büyük sunuculara ihtiyaç duymadan giriş yapan araçları tanımlamak için Ultralytics YOLO11'i bir uç cihazda dağıtıma alabilir. Her şey sahada gerçek zamanlı olarak işlenir; böylece sorunsuz erişim, daha az yoğunluk ve gelişmiş güvenlik sağlanır.
Şekil 6. YOLO11 ile plakaları algılama.
Öte yandan, internet bağlantısının istikrarlı olduğu bölgelerde bulut tabanlı ANPR aynı anda birden fazla kamerayı yönetebilir. Örneğin bir alışveriş merkezinde araçları farklı girişlerde takip edip plaka numaralarını merkezi bir sistemde saklayabilir; bu da otoparkı izlemeyi, güvenliği artırmayı ve araç akışını uzaktan yönetmeyi kolaylaştırır.
ANPR'nin geleceği#
Otomatik plaka tanıma (ANPR) sistemi kurmak, Ultralytics YOLO11 ile kolaydır. Plakaları doğru bir şekilde algılar ve farklı ortamlara ve gereksinimlere uyum sağlamak üzere özel olarak eğitilebilir.
ANPR sistemleri güvenliği artırır, park yönetimini kolaylaştırır ve trafik izlemeyi geliştirir. Plaka tanımayı otomatikleştirerek hataları azaltır, tanımlamayı hızlandırır ve çeşitli uygulamalarda araç takibini daha verimli hale getirir.
Yapay zekâyı uygulamada görmek için topluluğumuza katıl ve GitHub depomuzu ziyaret et. Çözümler sayfalarımızda lisans seçeneklerimizi incele ve üretimde görü yapay zekâ ile otonom araçlarda yapay zekâ hakkında daha fazla bilgi edin.
